我花了三年时间，整理了这份生物信息学资源清单（2026最新版）
写在前面
作为一名生物信息学 PhD，这三年来最常被师弟师妹们问到的问题就是：
“学长，有什么好的生信学习资源推荐吗？” “AlphaFold 怎么用啊？” “哪个大模型适合写代码？” “R 和 Python 用什么 IDE 比较好？”
每次都要翻聊天记录找链接，实在太麻烦了。于是，我决定把这些年收藏的优质资源系统性地整理出来，做成一个完整的资源导航页面。
今天就把这份清单分享给大家。全文 7000+ 字，建议先收藏再看！
为什么要做这个清单？
说实话，生物信息学的学习曲线真的很陡峭：
- 生物学背景的同学，编程是拦路虎
- 计算机背景的同学，生物知识是天书
- 两边都懂一点的，不知道从哪里开始系统学习
市面上的资源虽然很多，但良莠不齐。我见过太多人因为找不到合适的资源，在入门阶段就放弃了。
所以这个清单的目标很明确：
✅ 只收录真正有价值的资源 ✅ 覆盖从入门到进阶的完整路径 ✅ 紧跟最新技术发展（尤其是 AI 工具）
📋 清单概览
这份清单包含 13 个主题板块，190+ 个精选资源，涵盖：
| 板块 | 资源数 | 适合人群 |
|---|---|---|
| 🔬 基本资源 | 15+ | 所有人 |
| 📚 生物信息学资源 | 20+ | 入门&进阶 |
| 🏛️ 研究机构与大型项目 | 18+ | 科研工作者 |
| 🛠️ 工具与教程 | 12+ | 实践者 |
| 🧬 AI 生物学工具 | 25+ | 前沿研究者 |
| 🤖 AI 大语言模型 | 40+ | 效率提升 |
| 📊 可视化工具 | 5+ | 数据分析 |
| 💻 数据分析工具 | 25+ | 日常开发 |
| 🎓 课程与视频 | 5+ | 系统学习 |
完整清单在这里 👉 资源导航页面
下面我挑几个最值得关注的板块详细说说。
🧬 重点板块一：AI 生物学工具
这是 2024-2026 年变化最大的领域！不夸张地说，AI 正在重新定义生物学研究。
1. 蛋白质结构预测 - 已经是基操了
还记得 2020 年 AlphaFold 2 横空出世的震撼吗？现在：
- AlphaFold 3 - 最新版本，精度更高，速度更快
- 数据库已经有 2 亿+ 蛋白质结构
- 基本上你想要的蛋白，都能找到预测结构
- RoseTTAFold - Baker Lab 出品，开源实现
- 在某些蛋白质家族上比 AlphaFold 还准
- ESMFold - Meta 出品，最快
- 宏基因组蛋白结构图谱达到 6 亿+
- 适合大规模筛选
实用建议：现在做蛋白相关研究，第一步就是去 AlphaFold Database 查结构。实验验证之前先预测一下，能省好多时间和经费！
2. 蛋白质设计 - 从预测到创造
更激进的是，AI 现在不只能预测结构，还能从头设计蛋白质：
- ProteinMPNN - 给定结构，生成序列
- RFdiffusion - 扩散模型设计蛋白
- Chroma - Generate Biomedicines 的商业化产品
这个方向太火了，已经有好几个 Biotech 公司拿到巨额融资。未来的药物设计，可能不需要从自然界筛选，而是直接 AI 生成。
3. 分子对接 - 药物发现的加速器
- DiffDock - 扩散模型做分子对接
- 比传统方法快 100 倍
- 精度还更高
我的观察：传统的虚拟筛选管线正在被 AI 快速替代。如果你做药物发现，不学这些工具就真的落伍了。
🤖 重点板块二：AI 大语言模型
大模型不只是聊天工具，用对了能让科研效率翻倍！
1. 通用大模型 - 日常必备
国际版： - ChatGPT (GPT-5.3) - 最强综合能力，但需要魔法上网 - Claude 4 - 长文本之王（可以处理整本书） - 我现在写论文都先让 Claude 帮忙润色 - Gemini - Google 出品，多模态能力强
国内版： - Kimi - 长文本处理很不错，免费！ - DeepSeek - 推理能力强，适合做数学题和代码 - 豆包 - 字节出品，速度快
实用技巧： - 写代码用 Claude 或 DeepSeek - 读文献用 Kimi（一次能塞好几篇论文） - 画图解用 GPT-5.3 或 Gemini
2. 生物医学专用模型 - 专业问题找专家
举个例子：我最近在研究一个不熟悉的基因，直接问 GeneGPT，它给出的解释比我自己查文献快多了。
3. AI 辅助工具 - 效率加倍器
- Cursor - AI 代码编辑器
- 强烈推荐！ 写代码效率至少提升 50%
- 直接在编辑器里问 AI，不用来回切换
- GitHub Copilot - AI 编程助手
- 代码补全非常智能
- 学生可以免费用
- Consensus - AI 文献搜索
- 输入问题，直接给你文献总结
- 比自己翻 PubMed 快太多
- Elicit - AI 研究助手
- 帮你做系统性文献综述
- 自动提取论文关键信息
真心话：如果你还在纯手工写代码、读文献，真的该试试这些工具了。工具用得好，下班下得早！
💻 重点板块三：数据分析工具链
工欲善其事，必先利其器。这个板块我花了很多心思整理。
1. IDE 选择 - 找到最适合你的
R 用户： - RStudio - 老牌IDE，功能完善 - Positron - Posit 新产品 - 同时支持 Python 和 R - 界面现代化，推荐尝鲜
Python 用户： - VS Code - 万能编辑器 - 轻量、插件丰富 - 我现在 80% 的代码都在 VS Code 写
- PyCharm - 专业 Python IDE
- 功能强大，但比较重
- Jupyter Lab - 交互式分析
- 数据探索必备
- 出图特别方便
2. 包管理工具 - 依赖管理不再头疼
Python 环境： - uv - 新星工具！ - 用 Rust 写的，比 pip 快 10-100 倍 - 强烈推荐，真的快到飞起
R 环境： - rig - R 版本管理 - 多版本 R 切换很方便
- renv - 项目环境管理
- 保证项目的可复现性
避坑经验：很多人遇到的 “我电脑上能跑，你电脑上不能跑” 问题，90% 是因为环境管理不当。学会用这些工具，能省无数时间！
📚 重点板块四：学习路径推荐
资源虽好，但如何系统学习才是关键。根据我的经验：
新手路径（0-6 个月）
- 编程基础
- Python：Rosalind - 生信编程练习，边玩边学
- R：直接上手 Bioconductor，边用边学
- 生信基础
- 生信技能树 - 中文教程丰富
- The Carpentries - 系统化培训
- 实战项目
- 跟着 NGS Analysis Tutorial 做一遍
- 去 Kaggle 找生信竞赛练手
进阶路径（6-18 个月）
- 深入特定方向
- 单细胞：从 Seurat 入手
- 蛋白质：学 AlphaFold 和分子对接
- 关注前沿动态
- 定期看 bioRxiv 预印本
- 关注几个大牛的 Twitter/X
- 参与开源项目
- 去 GitHub 找感兴趣的项目贡献代码
- 建立自己的作品集
高级路径（18 个月+）
- 发表研究
- 找到细分领域的 gap
- 开发自己的工具/算法
- 建立影响力
- 写技术博客分享经验
- 在社区里活跃
核心建议：不要囤积资源！ 选 2-3 个最适合你的，深入学习，比收藏 100 个资源更有用。
🏛️ 值得关注的研究机构
如果你想了解最前沿的研究，关注这些机构准没错：
国际顶尖机构
- Wellcome Sanger Institute - 基因组学研究先驱
- 人类基因组计划的主力军
- Broad Institute - 哈佛-MIT 联合研究所
- 单细胞测序技术的引领者
- Arc Institute - 新兴研究机构
- Patrick Hsu 创立，专注前沿生物技术
大型科研计划
- Human Cell Atlas - 人类细胞图谱计划
- 想了解单细胞领域，这是必看的
- Chan Zuckerberg Initiative - CZI
- CELLxGENE 单细胞数据门户超好用
实用建议：这些机构经常有公开的讲座和培训，可以关注他们的 YouTube 频道。
💡 我的使用心得
1. 建立自己的工具箱
不要什么都想学，根据你的研究方向，精选 10-15 个常用工具深度掌握。
我自己的常用工具箱： - IDE: VS Code + Jupyter Lab - 包管理: uv + Conda - 代码助手: Cursor + GitHub Copilot - 文献管理: Zotero - 大模型: Claude + Kimi - 绘图: ggplot2 + BioRender
2. 善用 AI 提效
能让 AI 做的，就不要手工做： - 读文献 → 用 Consensus 或 Elicit - 写代码 → 用 Cursor 或 Copilot - 画图 → 用 BioRender 或 GPT-4 - 润色文章 → 用 Claude
但记住：AI 是助手，不是替代品。 批判性思维永远不能丢。
3. 持续学习的节奏
不要试图一次性学完所有东西！ 建议：
- 每周固定 1-2 个小时学新工具
- 每月读 2-3 篇前沿论文
- 每季度学一个新技能
关键是持续，而不是爆发。
📍 常见问题
Q1: 这么多资源，从哪里开始？
A: 根据你的目标选择： - 想快速上手 → 先看 工具与教程 板块 - 想系统学习 → 先看 课程与视频 板块 - 想了解前沿 → 先看 AI 生物学工具 板块
Q2: 免费资源够用吗？要不要付费？
A: 90% 的情况下免费资源就够了。 付费工具我只推荐： - GitHub Copilot（学生免费） - ChatGPT Plus（如果你高频使用）
其他的等你真正有需求了再考虑。
Q3: 英文不好怎么办？
A: 1. 优先用国内资源：生信技能树、生信菜鸟团的中文教程很全面 2. 借助翻译工具：DeepL 的翻译质量很高 3. 边用边学：实践中积累专业词汇，比死记硬背快
Q4: 资源会持续更新吗？
A: 会的！我会保持每月更新，添加新的优质资源。
完整清单在这里 👉 资源导航页面
写在最后
这份清单耗费了我大量心血，但如果能帮到一个人少走弯路，就值了。
生物信息学的学习之路很长，但不孤单。 我们都是在这条路上摸索前进的。
几句肺腑之言：
- 不要被资源的数量吓到 - 选择适合你的，深入学习
- 不要闭门造车 - 多参与社区讨论，分享你的经验
- 不要停止学习 - 这个领域变化太快，保持好奇心
- 不要忘记初心 - 我们做这些，是为了推动科学进步
🙏 致谢
这份清单的诞生离不开： - 生信社区的前辈们无私分享 - 师兄师姐们的经验传授 - 开源社区的贡献者们
如果你觉得有帮助，欢迎分享给更多人！
有任何建议或补充，欢迎在评论区留言，或者直接访问 资源导航页面 查看完整内容。
相关阅读： - 计算生物学成长路线图 （附路线图）
本文约 7000 字，阅读时间约 15 分钟 最后更新：2026-02-25 转载请注明出处